Clustering Pemetaan Tingkat Kemiskinan di Provinsi Jawa Barat Menggunakan Algoritma K-Means
Abstract
One of the problems Indonesia is still facing is the problem of poverty. The issue of poverty is complex and multifaceted in society and has become a government development priority. The percentage of poverty in Indonesia at the beginning of the pandemic in March increased by 9.78% and in September it increased by 10.19%. West Java ranks first in the highest level of extreme poverty in Indonesia with a total of 17,856 cases, reported on radarsukabumi.com. This study uses the clustering method with the k-means algorithm and mapping poverty-prone areas using QGIS. The results of grouping poverty-prone areas in West Java Province in 2015 to 2020 found 12 districts/cities not vulnerable, 14 districts/cities prone and 1 district/city very vulnerable. The results of the clustering evaluation using the silhouette coefficient that is equal to 0.55. The evaluation results fall into the category of medium structure with a reasonable interpretation of cluster placement.
References
Astuti, D. (2019). Penentuan Strategi Promosi Usaha Mikro Kecil Dan Menengah (UMKM) Menggunakan Metode CRISP-DM dengan Algoritma K-Means Clustering. Journal of Informatics, Information System, Software Engineering and Applications (INISTA), 1(2), 60–72. https://doi.org/10.20895/inista.v1i2.71
Bahauddin, Achmad & Fatmawati, Agustina & Sari, Febrianti. (2021). Analisis Clustering Provinsi Di Indonesia Berdasarkan Tingkat Kemiskinan Menggunakan Algoritma K-Means. Jurnal Manajemen Informatika dan Sistem Informasi. 4. 1. 10.36595/misi.v4i1.216.
Bastian, A., Sujadi, H., & Febrianto, G. (n.d.). Penerapan Algoritma K-Means Clustering Analysis Pada Penyakit Menular Manusia (Studi Kasus Kabupaten Majalengka). 1, 26–32.
Eka, R., Putera, P., Ramdani, F., & Rokhmawati, R. I. (2019). Evaluasi Tampilan Antarmuka QGIS dan MapWindow dengan Menggunakan Pendekatan Heuristic Evaluation ( Studi Kasus : Fungsi Geoprocessing Tools ). 3(11), 2850–2857.
Fahri, M. U. (2020). Melihat Peta Penyebaran Pasien Covid-19 Dengan Kombinasi Qgis Dan Framework Laravel. Jurnal Teknologi Terpadu, 6(1), 25–30.
Feblian, D., & Daihani, D. U. (2017). Implementasi Model Crisp-Dm Untuk Menentukan Sales Pipeline Pada Pt X. Jurnal Teknik Industri, 6(1), 1–12. https://doi.org/10.25105/jti.v6i1.1526
Hapsari, D. P. T., & Widodo, E. (2017). Pengelompokan Daerah Rawan Kriminalitas di Indonesia Menggunakan Analisis K-Means Clustering. Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika Dan Nilai Islami), 1(1), 147–153.
Irfiani, E., & Rani, S. S. (2018). Algoritma K-Means Clustering untuk Menentukan Nilai Gizi Balita. Jurnal Sistem Dan Teknologi Informasi (JUSTIN), 6(4), 161. https://doi.org/10.26418/justin.v6i4.29024
Muliono, R., & Sembiring, Z. (2019). Data Mining Clustering Menggunakan Algoritma K-Means Untuk Klasterisasi Tingkat Tridarma Pengajaran Dosen. 4(2), 2502–2714.
Nishom, M. (2019). Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square. Jurnal Informatika: Jurnal Pengembangan IT, 4(1), 20–24. https://doi.org/10.30591/jpit.v4i1.1253
Paramartha, G. N. W., Ratnawati, D. E., & Widodo, A. W. (2017). Analisis Perbandingan Metode K-Means Dengan Improved Semi-Supervised Analisis Perbandingan Metode K-Means Dengan Improved Semi- Supervised K-Means Pada Data Indeks Pembangunan Manusia (IPM). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, Vol. 1(9), 813–824. http://j-ptiik.ub.ac.id
Pramesti, D. F., Lahan, Tanzil Furqon, M., & Dewi, C. (2017). Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(9), 723–732. https://doi.org/10.1109/EUMC.2008.4751704
Ratna Sari, Y., Sudewa, A., Ayu Lestari, D., & Ika Jaya, T. (2020). Penerapan Algoritma K-Means Untuk Clustering Data Kemiskinan Provinsi Banten Menggunakan Rapidminer.
Supriyatna, A., & Mustika, W. P. (2018). Komparasi Algoritma Naive bayes dan SVM Untuk Memprediksi Keberhasilan Imunoterapi Pada Penyakit Kutil. J-SAKTI (Jurnal Sains Komputer Dan Informatika), 2(2), 152. https://doi.org/10.30645/j-sakti.v2i2.78
Suryadi, U. T., & Supriatna, Y. (2019). Sistem Clustering Tindak Kejahatan Pencurian Di Wilayah Jawa Barat Menggunakan Algoritma K-Means. Jurnal Teknologi Dan Komunikasi STMIK Subang, 12(1), 15–27. https://doi.org/10.47561/a.v12i1.147
Vita Ferezagia, D. (2018). Analisis Tingkat Kemiskinan di Indonesia.
Wahyudi, D., & Rejekingsih, T. (2013). Analisis Kemiskinan Di Jawa Tengah.
https://www.kompas.com (2021, 18 Februari). Angka Kemiskinan Indonesia Naik, Ini Data per Provinsi. Diakses pada 07 Mei 2022, dari https://www.kompas.com/tren/read/2021/02/18/110300865/angka-kemiskinan-indonesia-naik-ini-data-per-provinsi
https://katadata.co.id . Digitalisasi UMKM di Tengah Pandemi Covid-19. Diakses pada 08 Mei 2022, dari https://katadata.co.id/umkm
https://radarsukabumi.com . (2021, 30 September). 5 Kabupaten di Jawa Barat Masuk Miskin Ekstrem. Diaskes pada 08 Mei 2022, dari https://radarsukabumi.com/jawa-barat/bandung/5-kabupaten-di-jawa-barat-masuk-miskin-ekstrem/
